論文の概要: Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences
- arxiv url: http://arxiv.org/abs/2409.16478v1
- Date: Tue, 24 Sep 2024 21:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 08:11:05.760354
- Title: Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences
- Title（参考訳）: アルゴリズムドリフト:レコメンダシステムのユーザ嗜好への影響をシミュレーションするフレームワーク
- Authors: Erica Coppolillo, Simone Mungari, Ettore Ritacco, Francesco Fabbri, Marco Minici, Francesco Bonchi, Giuseppe Manco,
- Abstract要約: 本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。
本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
- 参考スコア（独自算出の注目度）: 7.552217586057245
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Digital platforms such as social media and e-commerce websites adopt Recommender Systems to provide value to the user. However, the social consequences deriving from their adoption are still unclear. Many scholars argue that recommenders may lead to detrimental effects, such as bias-amplification deriving from the feedback loop between algorithmic suggestions and users' choices. Nonetheless, the extent to which recommenders influence changes in users leaning remains uncertain. In this context, it is important to provide a controlled environment for evaluating the recommendation algorithm before deployment. To address this, we propose a stochastic simulation framework that mimics user-recommender system interactions in a long-term scenario. In particular, we simulate the user choices by formalizing a user model, which comprises behavioral aspects, such as the user resistance towards the recommendation algorithm and their inertia in relying on the received suggestions. Additionally, we introduce two novel metrics for quantifying the algorithm's impact on user preferences, specifically in terms of drift over time. We conduct an extensive evaluation on multiple synthetic datasets, aiming at testing the robustness of our framework when considering different scenarios and hyper-parameters setting. The experimental results prove that the proposed methodology is effective in detecting and quantifying the drift over the users preferences by means of the simulation. All the code and data used to perform the experiments are publicly available.
- Abstract（参考訳）: ソーシャルメディアやeコマースウェブサイトのようなデジタルプラットフォームは、ユーザーに価値を提供するためにRecommender Systemsを採用している。
しかし、彼らの養子縁組による社会的帰結はいまだに不明である。
多くの学者は、アルゴリズムの提案とユーザの選択の間のフィードバックループから導かれるバイアス増幅など、推奨者は有害な効果をもたらす可能性があると主張している。
それでも、レコメンデーターがユーザーの傾きの変化に影響を与える範囲は不確実である。
この文脈では、デプロイメント前にレコメンデーションアルゴリズムを評価するための制御された環境を提供することが重要である。
そこで本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣する確率的シミュレーションフレームワークを提案する。
特に、推薦アルゴリズムに対するユーザ抵抗や、受信した提案に依存する慣性といった行動的側面を含むユーザモデルを定式化し、ユーザ選択をシミュレートする。
さらに,ユーザの嗜好にアルゴリズムが与える影響を,特に時間の経過とともに定量化する2つの新しい指標を紹介した。
我々は、異なるシナリオやハイパーパラメータの設定を考慮する際に、フレームワークの堅牢性をテストすることを目的として、複数の合成データセットに対して広範な評価を行う。
実験の結果,提案手法はユーザの好みに対するドリフトの検出と定量化に有効であることが証明された。
実験に使用されるコードとデータは、すべて公開されています。
関連論文リスト
- Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - CSRec: Rethinking Sequential Recommendation from A Causal Perspective [25.69446083970207]
シーケンシャルなレコメンデータシステム(RecSys)の本質は、ユーザが意思決定を行う方法を理解することです。
我々は、CSRec(Causal Sequential Recommendation)と呼ばれる、シーケンシャルレコメンデーションの新しい定式化を提案する。
CSRecは、シーケンシャルなコンテキスト内で推奨項目が受け入れられる確率を予測し、現在の決定がどのようになされるかをバックトラックすることを目的としている。
論文 参考訳（メタデータ） (2024-08-23T23:19:14Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳（メタデータ） (2022-04-25T21:04:46Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Detecting and Quantifying Malicious Activity with Simulation-based
Inference [61.9008166652035]
本稿では,レコメンデーションアルゴリズムと相互作用する正規および悪意のあるユーザのモデルを用いて,悪意のあるユーザ識別実験を行う。
本稿では,ユーザやグループの影響を定量化するためのシミュレーションに基づく新しい尺度を提案する。
論文 参考訳（メタデータ） (2021-10-06T03:39:24Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳（メタデータ） (2021-05-20T08:59:44Z) - Learning User Preferences in Non-Stationary Environments [42.785926822853746]
オンラインノンステーショナリーレコメンデーションシステムのための新しいモデルを紹介します。
好みが変化しない場合でも,我々のアルゴリズムが他の静的アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-01-29T10:26:16Z) - Measuring Recommender System Effects with Simulated Users [19.09065424910035]
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
論文 参考訳（メタデータ） (2021-01-12T14:51:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。